Effiziente halb-überwachte Erkennung von Quantenanomalien mit Hilfe von Einklassen-Support-Vektor-Maschinen

Effiziente halb-überwachte Erkennung von Quantenanomalien mit Hilfe von Einklassen-Support-Vektor-Maschinen

Abstract:

Quantencomputing ist eine aufstrebende Technologie, die verschiedene Aufgaben des maschinellen Lernens verbessern kann. Durch die Kombination der Darstellungsleistung eines klassisch harten Quantenkerns und der Einklassen-SVM kann eine spürbare Verbesserung der durchschnittlichen Genauigkeit im Vergleich zur klassischen Version erreicht werden. Die übliche Methode zur Berechnung dieser Kernel ist jedoch mit einer quadratischen Zeitkomplexität in Bezug auf die Datengröße verbunden. Um dieses Problem zu lösen, versuchen wir zwei verschiedene Methoden. Die erste besteht darin, den Quantenkernel mit Hilfe von Zufallsmessungen zu messen, während die zweite die Ensemble-Methode mit variablem Subsampling verwendet, um eine lineare Zeitkomplexität zu erreichen. Unsere Experimente zeigen, dass diese beiden Methoden die Trainingszeiten um bis zu 95 % und die Inferenzzeiten um bis zu 25 % reduzieren. Obwohl die Methoden zu einer geringeren Leistung führen, ist die durchschnittliche Genauigkeit etwas besser als beim klassischen RBF-Kernel.

Autor/in:

Afrae Ahouzi

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht November 2023 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer